NLP를 통한 연구개발로
미래 동력 키운다
과학의 패러다임이 빠르게 데이터 집약 과학으로 재편되고 있다. 데이터 집약 과학은 새로운 R&D 과학 패러다임으로 기존 직사각형 형태의 정형 데이터를 넘어 텍스트로 대표되는 비정형 데이터를 자원으로 삼아 연구 성과를 한 단계 높일 수 있다. R&D는 크게 출판(Publications)을 기점으로 최소 몇 년에서 최대 몇십 년이 소요되는 전체 R&D 생애 과정이 정의되고, 이 과정에서 엄청난 텍스트 데이터가 생성된다. R&D가 강한 글로벌 기업은 이미 R&D 과정에서 나오는 데이터를 새로운 연구자원으로 인식하고 이를 축적하고 연결시키고 분석하여 어마어마한 가치를 창출하고 있다.
디지털 전환 시대의 R&D
통상적인 연구 과정은 가설을 세워 데이터를 수집하고, 탐색적 과정을 거쳐 발견과 분석을 수행하고 이를 발표하는 과정을 거쳤지만, 기하급수적으로 증가하는 데이터에 의해 이러한 흐름에 변화가 생기고 있다. 과학이 가정-주도(Hypothesis-Driven)에서 데이터-주도(Data-Driven) 발견으로 급격히 이동하면서 새로운 도전에 직면하고 있는 것이다. 과거에는 데이터를 수집하고 분석과 발견 과정을 거쳐서 출판했다면, 이제는 다양하고 휘발성이 강하며 대용량의 데이터(Big Data)를 수집하는 동시에 인터넷에 게시하여 먼저 공개하고, 동료 연구자와 함께 데이터 분석과 탐색 과정을 통해 정보를 추출하고 모형을 개발하는 전 과정이 자동화되고 있다.
R&D 분야에서 연구 생산성 향상을 위해 많은 연구 논문과 데이터 수집 작업이 수작업으로 진행되었다면 현재는 규칙 엔진, 화면 스크랩핑, 작업 흐름 자동화로 요약되는 RPA(Rapid Processing Automation)를 도입하여 연구자동화에 커다란 전환이 이루어지고 있다. 앞으로 정형/비정형 데이터를 처리할 수 있도록 RPA봇이 한 단계 진화될 것이고, 다양한 인공지능 모형을 탑재하여 스마트해짐에 따라 또 다른 R&D 연구원의 역할을 하게 될 것이며, 봇과 연구원 간의 적절한 업무분장을 통해 R&D 발전을 가속화시킬 것으로 기대된다. 최근 개발되고 있는 R&D 지원봇은 자연어를 이해하고 다양한 질문에 대답할 수 있을 뿐만 아니라 필요한 경우 논문이나 보고서 제작도 어느 정도 할 수 있을 수준으로 발전했다.
그림 1. R&D 생애주기에 따라 생성되는 텍스트 데이터와 상호 연결관계
NLP를 통한 R&D 가치 창출
R&D는 크게 출판(Publications)을 기점으로 출판 전과 후로 나뉘며, 연구자금 투여를 시작으로 연구개발이 진행되고 컨퍼런스 발표를 통해 최신 연구 성과물에 대한 교류가 이어지고 빅데이터 시대 데이터 주도 과학연구가 일반화되어 데이터를 수집하고 공개하여 검증과정을 거쳐 데이터 집약 연구 결과물을 출판하게 된다. 출판이 이루어진다고 끝이 나는 것은 아니고 트윗 등을 통해 연구 결과가 실시간으로 연구원들 사이에 공유되고, 또 다른 논문과 보고서에 참고문헌으로 인용되면서 가치를 인정받게 되고, 특허와 정책 보고서에 담겨 경제적인 가치도 인정받으며 사회·경제적인 영향을 미치게 된다. R&D 생애 과정은 최소 몇 년에서 최대 몇십 년이 걸리는데 이 과정에서 자연어 처리(NLP, Natural Language Processing)를 통해 가치를 창출할 수 있는 다양한 텍스트 데이터가 단계별로 산출되고 연결되어 축적된다.
Dimensions01는 R&D 과정에서 생성되는 모든 결과물을 데이터베이스로 구축하여 R&D 종사자 누구나 접근이 가능하도록 공개하고 있다. 과거 파편적으로 구축되어 사일로(Silo) 형태로 축적되던 다양한 연구 결과물을 최신 데이터 과학기술을 적용하여 이를 상호 연결시켜 R&D 연구 동향은 물론, 핵심 논문, 연구기관, 논문 저작자 식별을 용이하게 함으로써 글로벌 협업을 가속시켜 R&D 성과물이 시장에 조기 출시 되는 것도 돕고 있다.
01 https://www.dimensions.ai/
실시간으로 연구 성과물이 축적되고 연결되는 것은 물론, 검증을 거쳐 데이터 가치를 높이는 작업이 지속되고 있는데 2019년 기준 출판 데이터는 1억 건이 넘고, 이와 연결된 임상실험은 50만 건, 특허는 4천만 건, 그리고 40만 건이 넘는 정책보고서 등이 Dimensions에 공개되고 있다.
연구 생산성을 높여주는 NLP를 활용한 R&D
변화된 과학 패러다임에 맞춰 연구개발 생산성을 높이고 재현 가능하고 투명성이 강화된 연구 결과물을 만들기 위해서는 연구개발의 핵심 산출물인 논문과 보고서 제작 생산성을 높이고 공유와 협업이 가능한 형태로 작성하여야 한다. 02과학저널 네이처에 따르면 연구 성과물의 수가 9년마다 2배씩 증가하고 있어 연구 성과물을 디지털화시키는 것은 물론, 이를 연결하여 교차분석을 통해 가치를 창출하기 위해 NLP를 통한 시도가 늘어나고 있다.
02 Richard Van Noorden(07 May 2014), “Global scientific output doubles every nine years”, nature.com
그림 2. NLP 처리를 통해 R&D 텍스트 데이터에서 가치를 창출하는 개념도(투블럭 RPAi 사례)
그림 3. R&D 논문에서 NLP를 통해 가치를 창출하는 과정 시각화 사례
NLP는 비전 기술과 함께 인공지능의 중요한 한 축을 담당하고 있으며, 텍스트 분류 및 요약, 문서 유사성 측정, 자연어 텍스트 생성, 번역, 음성 인식 등 다양한 세부기술을 아우르고 있다. 다양한 문서를 디지털화하여 기계가 처리할 수 있는 형태(OCR)로 정보를 조직화한 후, 기계 독해 기술(MRC)과 자연어 이해 기술을 결합시키게 되면 연구개발을 한 단계 도약시킬수 있다. NLP 기계모형이 장착된 과학기술 RPA는 논문과 보고서 내용을 수집, 이해, 해석하여 문서에 담긴 핵심 사항을 식별하는 것은 물론이고, 논문 제작과정에도 도움을 주어 연구원이 제작한 연구 성과물과 비교하여 차이가 없거나 경우에 따라서는 더 좋은 성능을 보여주고 있다.
NLP 기능이 탑재된 기계가 연구원을 도와 논문을 분석하고 연구원의 질문에 대해 즉각적인 대답을 제시함으로써 연구개발 과정에서 낭비되는 불필요한 시간 소모를 줄이는 것은 물론, 연구원이 일상적으로 작성하는 일반 행정 문서를 자동 생성 및 검증하여 연구 개발에 더 많은 시간을 투여할 수 있도록 진화하고 있다. 특히 단어와 구문, 토픽(Topic)을 통해 추출한 정보를 네트워크 시각화 분석과 결합하여 제시할 경우, 문제 상황에 대한 정확한 상황 파악과 향후 연구 방향을 예측하는 데 도움을 줄 수 있다.
코로나19 시대, NLP를 활용한 R&D 사례
코로나19 팬데믹으로 인해 이와 관련된 논문이 2020년 1분기에만 6만 건 넘게 쏟아졌다. 특히 신약 개발에 상당한 연구자금이 투자되지만, 대다수는 특별한 연구 성과 없이 버려지는 경우가 허다하다. 인공 지능이 성과를 내기 시작한 시점부터 화이자(Pfizer), 사노피(Sanofi), 호프만 라 로슈(Roche) 등 이름만 들어도 알 수 있는 다국적 거대 제약회사에서 인공지능, 특히 NLP 기술을 활용하여 저렴하지만 신속하고 효과적인 신약개발을 수행하고 있다. 03특히 사노피는 특허, 임상실험, EHR, 인터넷 문서, 컨퍼런스 발표 논문 등을 수집 및 정제하고 정형화시켜 초기 신약개발, 유전자 질병 매핑, 목표식별과 우선순위 지정, 약물 용도 변경 등 다양한 연구목표 달성에 NLP 텍스트 마이닝 기술을 활용하여 성과를 내고 있다.
03 Nic Fleming(30 May 2018), “How artificial intelligence is changing drug discovery”, nature.com
글/이광춘 상무
KPMG
학사 및 석사는 통계학, 석사 및 박사는 컴퓨터과학을 전공하고 국내 유수 대학에서 데이터과학을 강의했다. 현재는 삼정KPMG 인공지능 개발조직 Lighthouse Center에서 기술개발을 총괄하고 있다. 서울 R미트업과 Tidyverse Korea 커뮤니티를 운영하고 있으며, 글로벌 RStudio Tidyverse, Software Carpnetry 국내 유일 강사로 활동하고 있다.